Gemini é uma família de modelos de linguagem de grande porte (LLMs) multimodais desenvolvida pelo Google DeepMind, uma subsidiária do Google. Anunciado em 6 de dezembro de 2023, o Gemini serve como sucessor dos modelos anteriores do Google, LaMDA e PaLM 2. A família de modelos inclui Gemini Pro, Gemini Deep Think, Gemini Flash e Gemini Flash Lite, e alimenta o chatbot Gemini. O nome deriva do signo do zodíaco Gêmeos, simbolizando a natureza dupla do projeto, que fundiu o Google Brain e o DeepMind. O Gemini é projetado para processar múltiplos tipos de dados simultaneamente, incluindo texto, imagens, áudio, vídeo e código de computador, distinguindo-o de muitos antecessores que lidam apenas com texto.
Histórico de Desenvolvimento
O Google anunciou o Gemini pela primeira vez durante o discurso principal do Google I/O em 10 de maio de 2023, posicionando-o como um sucessor mais poderoso do PaLM 2, que também foi revelado nesse evento. O CEO do Google, Sundar Pichai, afirmou que o Gemini ainda estava em seus estágios iniciais de desenvolvimento. Diferente de modelos de linguagem típicos treinados apenas em corpora de texto, o Gemini foi projetado desde o início para ser multimodal, permitindo lidar com diversos tipos de entrada simultaneamente. O desenvolvimento foi uma colaboração entre o DeepMind e o Google Brain, dois ramos que foram fundidos em uma única entidade, o Google DeepMind.
Em uma entrevista à Wired, o CEO do DeepMind, Demis Hassabis, elogiou as capacidades avançadas do Gemini, sugerindo que superaria o ChatGPT da OpenAI, que roda no GPT-4. Hassabis destacou os pontos fortes do programa AlphaGo do DeepMind, que ganhou atenção mundial em 2016 ao derrotar o campeão de Go, Lee Sedol, dizendo que o Gemini combinaria o poder do AlphaGo com outros LLMs do Google-DeepMind. Essa ambição refletia a resposta agressiva do Google à crescente popularidade do ChatGPT e do seu próprio chatbot anterior, o Bard.
Em agosto de 2023, o The Information publicou um relatório descrevendo o roteiro do Google para o Gemini, revelando uma data de lançamento alvo para o final de 2023. O relatório indicava que o Google esperava superar a OpenAI e outros concorrentes combinando capacidades de texto conversacional com geração de imagens alimentada por inteligência artificial, permitindo imagens contextuais e uma gama mais ampla de casos de uso. O cofundador do Google, Sergey Brin, foi chamado de volta da aposentadoria para auxiliar no desenvolvimento, junto com centenas de engenheiros do Google Brain e do DeepMind; ele foi posteriormente creditado como um "contribuidor central". Como o Gemini foi treinado em transcrições de vídeos do YouTube, advogados foram contratados para filtrar materiais potencialmente protegidos por direitos autorais.
Lançamento e Modelos Iniciais
Em 6 de dezembro de 2023, Pichai e Hassabis anunciaram o "Gemini 1.0" em uma coletiva de imprensa virtual. O lançamento compreendia três modelos: Gemini Ultra, projetado para "tarefas altamente complexas"; Gemini Pro, para "uma ampla gama de tarefas"; e Gemini Nano, para "tarefas no dispositivo". No lançamento, o Gemini Pro e o Nano foram integrados ao Bard e ao smartphone Pixel 8 Pro, respectivamente. O Gemini Ultra foi definido para alimentar o "Bard Advanced" e se tornar disponível para desenvolvedores de software no início de 2024. Outros produtos previstos para integração incluíam Search, Ads, Chrome, Duet AI no Google Workspace e AlphaCode 2. O lançamento inicial estava disponível apenas em inglês.
O Google exaltou o Gemini como seu "modelo de IA maior e mais capaz", projetado para emular o comportamento humano. A empresa afirmou que o Gemini não seria amplamente disponibilizado até o ano seguinte devido à necessidade de "testes de segurança extensivos". O Gemini foi treinado e alimentado pelos Tensor Processing Units (TPUs) do Google. O nome também faz referência ao Projeto Gemini da NASA, refletindo a fusão do DeepMind e do Google Brain.
Desempenho e Benchmarks
Foi relatado que o Gemini Ultra superou o GPT-4, o Claude 2 da Anthropic, o Inflection-2 da Inflection AI, o LLaMA 2 da Meta e o Grok 1 da xAI em vários benchmarks da indústria. Dizia-se que o Gemini Pro superava o GPT-3.5. Notavelmente, o Gemini Ultra foi o primeiro modelo de linguagem a superar especialistas humanos no teste Massive Multitask Language Understanding (MMLU) de 57 disciplinas, alcançando uma pontuação de 90%. Esse resultado de benchmark posicionou o Gemini como um modelo líder no campo da pesquisa em Artificial intelligence e Large language model.
O Gemini Pro foi disponibilizado para clientes do Google Cloud no AI Studio e no Vertex AI em 13 de dezembro de 2023. O Gemini Nano foi posteriormente disponibilizado para desenvolvedores Android. Hassabis revelou ainda que o DeepMind estava explorando como o Gemini poderia ser combinado com robótica para interagir fisicamente com o mundo. Em conformidade com uma ordem executiva assinada pelo presidente dos EUA, Joe Biden, em outubro de 2023, o Google afirmou que compartilharia os resultados dos testes do Gemini Ultra com o governo federal. Da mesma forma, a empresa se envolveu em discussões com o governo do Reino Unido para cumprir os princípios estabelecidos na Cúpula de Segurança de IA em Bletchley Park em novembro de 2023.
Integração com Produtos do Google
Após seu lançamento, o Gemini foi rapidamente integrado ao ecossistema do Google. Em janeiro de 2024, o Google fez parceria com a Samsung para integrar o Gemini Nano e o Gemini Pro na linha de smartphones Galaxy S24. No mês seguinte, o Bard e o Duet AI foram unificados sob a marca Gemini, com o "Gemini Advanced com Ultra 1.0" sendo lançado por meio de um novo nível "AI Premium" do serviço de assinatura Google One. O Gemini Pro também recebeu um lançamento global, expandindo-se além de sua disponibilidade inicial apenas em inglês.
Em fevereiro de 2024, o Google lançou o Gemini 1.5, descrevendo-o como mais poderoso e capaz que o 1.0 Ultra. As mudanças incluíam uma nova arquitetura, uma abordagem de mistura de especialistas e uma janela de contexto maior de um milhão de tokens. No mesmo mês, o Google estreou o Gemma, uma gama menor, gratuita e de código aberto de modelos Gemini. Várias publicações descreveram isso como uma resposta à Meta e outros que abriram o código de seus modelos de IA, e uma reversão da prática anterior do Google de manter sua IA proprietária.
O Google anunciou um modelo adicional, o Gemini 1.5 Flash, em 14 de maio no discurso principal do I/O 2024. No mesmo evento, o Google anunciou planos para integrar uma versão do Gemini Nano otimizada para desktop diretamente no navegador Google Chrome por meio de sua arquitetura "Built-in AI", expondo capacidades de processamento local a desenvolvedores web por meio de APIs experimentais, como a Prompt API ("window.ai").
Atualizações e Modelos Posteriores
Dois modelos Gemini atualizados, Gemini-1.5-Pro-002 e Gemini-1.5-Flash-002, foram lançados em 24 de setembro de 2024. Em 11 de dezembro de 2024, o Google anunciou o novo modelo experimental Gemini 2.0 Flash. Os recursos incluíam uma API Multimodal Live para interações em tempo real com áudio e vídeo, geração nativa de imagens e texto-para-fala controlável (com marca d'água) e integração com o Google Search. Esta iteração continuou a expandir os limites das capacidades de IA multimodal.
Em junho de 2025, o Google apresentou o Gemini CLI, um agente de IA de código aberto que traz as capacidades do Gemini diretamente para o terminal, oferecendo recursos avançados de codificação, automação e resolução de problemas, com limites generosos de uso gratuito para desenvolvedores individuais. Esse movimento destacou o compromisso do Google com a acessibilidade para desenvolvedores e ferramentas de código aberto.
Posicionamento Competitivo
O lançamento do Gemini foi um evento significativo no cenário competitivo da Generative AI. O Google posicionou o Gemini diretamente contra modelos da OpenAI, Anthropic e outras organizações de pesquisa em IA. As capacidades multimodais do modelo e o forte desempenho em benchmarks foram destinados a desafiar o domínio do GPT-4 e de outros LLMs líderes. A integração do Gemini no vasto ecossistema de produtos do Google, incluindo Search, Workspace e Android, proporcionou uma vantagem de distribuição sobre os concorrentes.
O desenvolvimento do Gemini também envolveu colaborações com parceiros de hardware. A integração com o Samsung Galaxy S24 destacou a importância da IA no dispositivo, enquanto o uso dos TPUs do Google ressaltou o papel do hardware especializado no treinamento de modelos grandes. As dinâmicas competitivas se estenderam aos serviços em nuvem, com o Gemini Pro disponível no Vertex AI do Google Cloud, competindo com ofertas da Amazon Web Services e do Microsoft Azure.
Arquitetura Técnica e Pesquisa
A arquitetura do Gemini se baseia em avanços em Deep learning e modelos Transformer (architecture). Como modelo multimodal, incorpora técnicas de Multi-Head Attention e Cross-Attention para processar e relacionar informações entre diferentes modalidades. A abordagem de mistura de especialistas no Gemini 1.5 permite uma escalabilidade mais eficiente, ativando apenas partes relevantes da rede para determinadas tarefas. O treinamento do modelo provavelmente envolveu técnicas como Reinforcement Learning from AI Feedback (RLAIF) (aprendizado por reforço a partir de feedback de IA) e Curriculum Learning para melhorar o desempenho e o alinhamento.
A pesquisa por trás do Gemini se baseia no campo mais amplo do Machine learning, incluindo contribuições de instituições como MIT CSAIL, Stanford AI Lab e BAIR (Berkeley AI Research). A herança do Google DeepMind, incluindo o programa AlphaGo, informou o design do modelo, particularmente sua capacidade de lidar com tarefas complexas de raciocínio em várias etapas. O desenvolvimento também envolveu pesquisadores como Demis Hassabis e outras figuras-chave na comunidade de IA.
Segurança e Governança
O Google enfatizou os testes de segurança para o Gemini, atrasando a ampla disponibilidade para conduzir avaliações extensivas. A empresa se comprometeu a compartilhar os resultados dos testes com o governo federal dos EUA após a ordem executiva sobre IA de outubro de 2023. Discussões com o governo do Reino Unido visavam alinhar-se aos princípios da Cúpula de Segurança de IA em Bletchley Park. Essas etapas refletiam o crescente escrutínio regulatório da Artificial intelligence e a necessidade de implantação responsável de modelos poderosos.
A integração do Gemini em produtos de consumo como o Pixel 8 Pro e o Galaxy S24 levantou questões sobre privacidade e processamento no dispositivo. As capacidades de processamento local do Gemini Nano foram projetadas para minimizar a transmissão de dados, abordando algumas preocupações de privacidade. No entanto, a implantação mais ampla de IA multimodal continua a provocar debates sobre uso ético e potenciais impactos sociais.
Direções Futuras
Em 2025, o Gemini continua a evoluir com novos modelos e recursos. A introdução do Gemini CLI e dos modelos de código aberto Gemma indica uma estratégia de ampliar o acesso às capacidades de IA. O investimento contínuo do Google no Google DeepMind e sua integração com o Google Cloud sugerem que o Gemini permanecerá um pilar central da estratégia de IA da empresa. Desenvolvimentos futuros podem incluir melhorias adicionais no raciocínio, arquiteturas mais eficientes e integração mais profunda com robótica e sistemas físicos, como sugerido pelos comentários de Hassabis sobre combinar o Gemini com robótica.
O cenário competitivo permanece dinâmico, com a OpenAI e a Anthropic continuando a lançar modelos avançados. O sucesso do Gemini dependerá de sua capacidade de manter a liderança em desempenho, expandir as capacidades multimodais e navegar pelo complexo cenário regulatório e ético da IA. O nome do modelo, evocando a natureza dupla do signo do zodíaco, captura adequadamente a ambição do projeto de unificar diversas capacidades de IA em um único sistema poderoso.